活函数优化研究升神经网络训练速度和降低误差率方面的作用非常显著。1激活函数的对比与研究1)其函数图像如图1所示。-0.500.51.01.5y/1-5-3-1135x/1图1sigmoid函数从函数表达式和图像可见，sigmoid函数具有软饱和性［8］:在定义域内处处可导，当输入非常大或非常小时，其图像的斜率趋近于0，即导数逐渐趋近于0。这种性质导致了梯度消失现象，使得深度神经网络一直难以得到有效训练，是阻碍神经网络发展的重要原因。具体地，深度神经网络在使用梯度下降算法求解网络参数W时，在后向传递过程中，sigmoid函数向下传导的梯度包含了一个自身关于输入的导数f＇(x)，当输入落入饱和区时，f＇(x)的值趋近于0，导致向底层网络传递的梯度变得非常小，使网络参数W很难得到有效训练。sigmoid函数也存在均值偏移的缺点，从函数图像可以看出，sigmoid函数的值域为{?x，y=f(x)≥0)}，则其输出均值必然非负，导致了sigmoid函数在训练一些超深网络时会出现训练结果不收敛的问题。tanh函数是sigmoid函数的一个变体，缓解了sigmoid函数所遇到的均值偏移问题，定义为tanh(x)=1－e－2x1+e－2x(2)其图像如图2所示。y/1-5-3-1135x/1-0.500.51.01.5-1.5-1.0图2tanh函数从图像以及函数表达式中可以看出，tanh函数也具有软饱和性，因此，也存在梯度消失的缺点。但其值域为［－1，1］本文由 张家港市泰宇机械有限公司张家港全自动切管机 网站采集网络资源整理! http://www.qieguanjixie.com，因此跟踪结果-数控切管机张家港电动切管机倒角机价格低全自动切管机多少钱，输出均值趋近于0，缓解了均值偏移问题，使得随机梯度下降(stochasticgradientdescent，SGD)更接近自然梯度(natrualgradient)，从而降低了计算网络参数所需的迭代次数，提高了深度针对目前模型更新方法仅依赖于上一帧或最近帧定位到的目标信息,跟踪的历史信息未充分利用的问题,运用历史跟踪结果设计了多模板模型更新策略,并基于该更新模型结合卷积网络提出了一种新的运动目标跟踪方法。在运动目标跟踪测试视频集VOT2015下与目前热点运动目标跟踪方法对比实验表明:方法对于遮挡现象和目标自身形变具有较强的鲁棒性和较高的准确性。 左右目标的形变不明显，背景和前景(目标)对比明显，背景的纹理变化相较于前景较为复杂。在跟踪过程中，原始CNT算法由于模型更新过程引入过多的背景信息其跟踪结果已经开始发生漂移，而本文算法仍旧可以对目标继续跟踪。原始CNT算法仅依赖上一帧得到的目标信息进行迭代更新，信息具有局限性和单一性，当发生形变和复杂背景时，错误信息的累积往往导致错误跟踪。本文算法维持着模板库的多样性，随着跟踪进行，模板库不断的丰富，当出现复杂背景的情况，能够从模板库找到相应的模板对目标进行较准确的定位跟踪。图1trellis_c场景2种算法跟踪结果图2测试算法的抗遮挡和抗形变性能，在视频序列Basketball和david3上进行，本文算法与原始CNT算法、TLD算法和DLT算法对比实验。对于Basketball视频序列，在第18帧左右当目标发生严重遮挡时，TLD算法已经不能对目标进行跟踪，DLT算法、CNT算法和本文算法仍能够对目标进行跟踪，但在第80帧后目标形态发生较大变化，CNT算法和DLT算法出现了跟踪漂移的情况，而本文算法仍然能够继续跟踪。对于david3视频序列，在第23帧目标第一次被遮挡时，TLD算法出现跟踪失败，跟踪无法进行的情况。在随后的跟踪过程中，由于目标的形变，在150帧后DLT算法出现了跟踪框尺度异常和漂移的问题。CNT算法也在190帧左右目标被完全遮挡时跟踪失败，只有本文算法还能继续跟踪。3．2定量分析对图3的实验结果进行定量分析，本文算法与上述算法在覆盖率［15］和中心位置误差［15］的对比结果如图3所示。由图可知，本文算法的覆盖率一直维持在一定范围内，并且中心位置误差为4种算法中最校其他3种算法由于55跟踪结果-数控切管机张家港电动切管机倒角机价格低全自动切管机多少钱本文由 张家港市泰宇机械有限公司张家港全自动切管机 网站采集网络资源整理! http://www.qieguanjixie.com